過去10年，人工智能從實驗室走向各行各業，成為一種普遍技術應用于眾多領域。

根據IDC的數據，2022年全球AI市場規模達到4328億美元，增長近20%。而PrecedenceResearch預計，到2030年，人工智能市場將突破15.7萬億美元。這種爆炸性增長建立在數據獲取與存儲成本降低和半導體創新的基礎上。

以下是2023年可以重點關注的四大AI方向，這四個方向有望在今年進一步推動AI的發展，并幫助解決行業面臨的一些核心挑戰。

如何在邊緣節點上執行更多人工智能處理是近幾年AI領域努力的重要方向之一。可喜的是這一方向上已經產出了很多有價值的創新，今年這個方向依然是需要關注的重點方向，只不過關注重點會轉向集成和落地。

對于邊緣設備，人工智能系統需要執行各種不同的任務，這不僅需要不同類型的算力，還需要不同類型內存、連接和傳感器輸入。如何將這些異構組件高效、節能、穩定地集成起來是一項巨大的挑戰。這項工作涉及其他工程領域，如機械設計、光學設計、電氣設計以及數字和模擬半導體設計。

數據中心的集成帶來了一系列不同但非常多樣化的挑戰。為了提供深度計算所需的算力性能，需要將多個核集成到一個芯片上。這些組件主要由密集的數字邏輯組成，如加速大型神經網絡所需的基礎算力。

隨著芯片和制程復雜性的不斷增加，人工智能設計工具的采用呈指數級增長。在短短一年間，人工智能設計的商用芯片數量至少增加了一個數量級。隨著人工智能設計技術的加速發展，訓練數據集變得更加全面，新型工具將帶給設計團隊更多優勢。

隨著該技術在未來一年的成熟，由人工智能驅動的設計能力將在芯片設計領域實現生產力突破，并幫助創建更復雜的設計，以滿足功率、性能和面積上的需求。

預計今年會有基于AI強化學習用于解決各種設計挑戰的應用進入市場，甚至隨著技術在未來進一步成熟，人工智能設計可能會成為市場主流。

開發新的人工智能應用程序最具挑戰性也是最耗時的工作之一是建模，然后對其進行訓練和優化以執行特定任務的過程。這催生了對所謂基礎模型（也叫大模型）的更多研究。

基礎模型是一種人工智能模型，只需設計一次，然后使用非常大的數據集進行訓練，以實現各種目標。一旦訓練完成，該模型可以適應許多不同的應用，從而減少專門為每個應用程序設計新模型的時間。基礎模型的巨大規模允許用戶實現以前無法實現的全新功能。

基礎模型還推動了去年非常熱門的AI技術——生成AI。生成AI專注于創造新的內容，其本質核心是基礎模型，能夠訓練非常龐大的數據，包括文本、圖像、語音，甚至是來自傳感器的3D信號。

根據輸入，可以訓練相同的基礎模型來合成新內容，例如繪畫、創作音樂，甚至創建聊天機器人。去年年底大火的ChatGPT就是基礎模型和生成AI的典型應用。

生成AI將使創建新內容變得極其容易，具有極高的應用價值。隨著技術的成熟，加上ChatGPT引爆市場，相信在今年生成AI會爆發式成長。

最后，因果AI。深度學習的困境之一是模型的不可解釋性，解決這一問題的一種方法是引入因果關系。盡管因果AI目前還處于早期，但已經在醫療健康、藥品研發、金融服務、制造業和供應鏈組織等特定領域廣泛采用。

通過將知識圖與因果圖相結合，并進行模擬，從而超越依賴歷史數據的基于相關性的機器學習。因果預測可以通過使因果關系透明來提高人工智能的解釋能力。

另一方面，阻礙人工智能發展的一個重要瓶頸是缺乏高質量的標簽數據。雖然我們今天已經看到了進展，但2023年仍將不會得到根本性解決。

解決這一問題目前有2個方向，一是自監督學習（self-supervisedlearning），二是因果AI。

自監督學習使用自監督算法對模型進行預訓練，然后根據特定任務對模型進行微調；而因果AI不需要大數據樣本。這方面最好、最有效的例子是NLP（自然語言處理），其中掩蔽語言建模（MaskedLanguageModeling，使模型預測句子中隱藏的單詞）和因果語言建模（CausalLanguageModeling，讓模型預測句子中下一個單詞）技術徹底改變了傳統算法。

審核編輯 ：李倩